一、安防 IPC 市场越来越大产品却越来越像安防 IPC 市场这几年并不冷。智能家居、电池摄像头、可视门铃——几个品类持续扩张蛋糕在变大。但吃蛋糕的方式没变。Sensor、镜头、补光灯上游供应链高度集中来去就那几家供应商。方案商拿到的物料清单高度趋同做出来的产品自然大同小异。白天画质拉不开差距——同样的 Sensor、同样的镜头规格、同样的 ISP 管线参数表上的数字差不多。功能也差不多——移动侦测、报警推送、云存储你能做的别人也能做。甚至连晚上的红外黑白画面都差不多——同样的补光灯方案同样的 IR-Cut 切换逻辑。客户看不出你的产品和别家有什么区别。选谁看价格看关系。你没有溢价能力因为你没有别人做不出的东西。二、AI 已经成为标配但自建算法团队越来越难画质之外另一个正在发生的变化是 AI。几年前的安防 IPCAI 检测是锦上添花。现在不同了——项目招标里 AI 检测已经是门槛没有它连入围资格都悬。人形检测、车辆识别、区域入侵——这些功能正在从“高端选配”变成“基础配置”。但中小厂商要自建 AI 能力这条路不好走。算法工程师招不招得到是一回事招来之后产出能不能匹配投入是另一回事。模型训练、数据标注、NPU 部署、持续迭代——整套链路跑下来投入不小。更大的问题是中小厂商能招到的算法人才和大厂不是一个量级的这意味着你用更高成本做出的模型效果可能还不如开源模型。所以正确思路不是“砸钱追赶大厂的算法能力”——追不上也不该追。正确思路是降低 AI 这件事的成本让它不需要算法团队也能做。三、两条技术路径解决两个核心问题两个问题两个解法。AI ISP解决产品同质化ShiMetaPi Pico-G1 基于国科微 GK7206V1 系列芯片。根据 ShiMeta 官方产品文档[1]核心差异在 ISP。AI_NR 在 Bayer Raw 域做深度学习降噪——在 Sensor 最原始的数据阶段用 NPU 把噪声从信号里分离出来。根据 AI_NR 技术文档[2]模块消耗 NPU 约 0.5T 算力支持 4M 分辨率 15fps 实时处理。信噪比提升 8dB 以上。在 0.0001 lux 极暗环境下输出彩色画面无需红外补光灯。对于产品来说这意味着夜间画质从“和别人一样的红外黑白”变成“你的产品能做到无补光灯全彩”。在同一价位段这是客户看得见的差异。六阶段 AI_NR 工具链全开放[2]Sensor 噪声标定→数据预处理大模型蒸馏生成 Noisy-Clean 训练数据对→浮点模型微调五档模型 2M_3g 到 8M_19g建议 60 epoch→INT8 量化微调→推理验证→TVM 编译导出 .xmm。换 Sensor 时不需要依赖原厂支持自己可以独立走完。云端微调降低 AI 开发门槛AI 检测也不是外挂的。GK7206V1 芯片的 SVP 框架是芯片 SDK 的一部分内置 8 个已训练检测模型——人形、人脸、车辆、宠物、烟火等——加载即用没有额外的授权费或模块采购成本。多模型级联方案人脸识别三模型、ADAS 五模型SVP 框架已封装。需要定制模型时云端 NPU 微调平台即将上线把训练部署链路自动化上传少量标注图片云端完成训练、量化、编译下载 .bin 文件部署。把“需要算法工程师”变成“上传数据即可”——这是降低 AI 训练成本的核心答案。四、为什么 AI ISP 会成为下一代 IPC 的核心能力传统 ISP 的模块排列顺序是Demosaic色彩插值→白平衡→降噪。降噪排在最后面对的是已被前几步“加工”过的噪声——一个噪点像素原本只是某个通道多了几个电子经过 Demosaic 扩散到三个通道再经过白平衡增益放大到了降噪这一步噪声已经不是原始形态了。AI_NR 把这个顺序倒了过来。Bayer Raw 是 Sensor 输出的最原始数据——每个像素只有 R/G/B 中的一个分量噪声保持着规整的泊松高斯混合分布。AI_NR 在这个阶段用 NPU 跑深度降噪处理完的干净数据再进入硬件 ISP 完成 Demosaic 和白平衡。后续每一步面对的都是清理过的信号。底层架构是“大模型蒸馏小模型微调”在云端用海量 Sensor 噪声数据训练一个通用降噪大模型Teacher充分学习各类噪声模式的统计分布然后将知识蒸馏到轻量端侧模型Student中在 NPU 上实时推理。这种策略让轻量模型继承了通用大模型的降噪能力同时保持了端侧可运行的计算量级。不只能做黑光。2F-WDR 双帧合成处理隧道口和逆光场景3DNR 利用时域信息做视频降噪LDC 校正广角镜头的桶形畸变——这些模块和 AI_NR 共享同一个 NPU 引擎在不同场景下按需调度。理解 AI ISP 最好的方式不是把它看作“夜间增强”而是整条 ISP 管线的画质操作系统。五、从卖硬件到提供 AI 开发平台云端 NPU 微调平台即将上线届时新 Sensor 的 AI_NR 适配和定制检测模型的开发将简化为上传数据、等待训练、下载部署。ShiMetaPi-APT 软件源也在开发中场景套件将以 deb 包形式分发GPG 签名版本回滚apt install 一键完成部署。安防 IPC 的差异化不在传感器和镜头上——那部分供应链决定了大家拿到的都一样。差异在 ISP 上在 AI 上。Pico-G1 用 AI ISP 解决了前者用内置模型和云端微调解决了后者。了解更多产品详情及 SDK 文档请关注 ShiMetaPi 官方渠道。参考资料[1] ShiMeta-Pico-G1 芯片与硬件平台介绍文档01 芯片与硬件平台介绍.docxShiMeta 官方产品文档[2] AI 降噪AI_NR技术文档04 AI 降噪 (AI_NR).docxShiMeta 官方技术文档
一、安防 IPC 市场越来越大产品却越来越像安防 IPC 市场这几年并不冷。智能家居、电池摄像头、可视门铃——几个品类持续扩张蛋糕在变大。但吃蛋糕的方式没变。Sensor、镜头、补光灯上游供应链高度集中来去就那几家供应商。方案商拿到的物料清单高度趋同做出来的产品自然大同小异。白天画质拉不开差距——同样的 Sensor、同样的镜头规格、同样的 ISP 管线参数表上的数字差不多。功能也差不多——移动侦测、报警推送、云存储你能做的别人也能做。甚至连晚上的红外黑白画面都差不多——同样的补光灯方案同样的 IR-Cut 切换逻辑。客户看不出你的产品和别家有什么区别。选谁看价格看关系。你没有溢价能力因为你没有别人做不出的东西。二、AI 已经成为标配但自建算法团队越来越难画质之外另一个正在发生的变化是 AI。几年前的安防 IPCAI 检测是锦上添花。现在不同了——项目招标里 AI 检测已经是门槛没有它连入围资格都悬。人形检测、车辆识别、区域入侵——这些功能正在从“高端选配”变成“基础配置”。但中小厂商要自建 AI 能力这条路不好走。算法工程师招不招得到是一回事招来之后产出能不能匹配投入是另一回事。模型训练、数据标注、NPU 部署、持续迭代——整套链路跑下来投入不小。更大的问题是中小厂商能招到的算法人才和大厂不是一个量级的这意味着你用更高成本做出的模型效果可能还不如开源模型。所以正确思路不是“砸钱追赶大厂的算法能力”——追不上也不该追。正确思路是降低 AI 这件事的成本让它不需要算法团队也能做。三、两条技术路径解决两个核心问题两个问题两个解法。AI ISP解决产品同质化ShiMetaPi Pico-G1 基于国科微 GK7206V1 系列芯片。根据 ShiMeta 官方产品文档[1]核心差异在 ISP。AI_NR 在 Bayer Raw 域做深度学习降噪——在 Sensor 最原始的数据阶段用 NPU 把噪声从信号里分离出来。根据 AI_NR 技术文档[2]模块消耗 NPU 约 0.5T 算力支持 4M 分辨率 15fps 实时处理。信噪比提升 8dB 以上。在 0.0001 lux 极暗环境下输出彩色画面无需红外补光灯。对于产品来说这意味着夜间画质从“和别人一样的红外黑白”变成“你的产品能做到无补光灯全彩”。在同一价位段这是客户看得见的差异。六阶段 AI_NR 工具链全开放[2]Sensor 噪声标定→数据预处理大模型蒸馏生成 Noisy-Clean 训练数据对→浮点模型微调五档模型 2M_3g 到 8M_19g建议 60 epoch→INT8 量化微调→推理验证→TVM 编译导出 .xmm。换 Sensor 时不需要依赖原厂支持自己可以独立走完。云端微调降低 AI 开发门槛AI 检测也不是外挂的。GK7206V1 芯片的 SVP 框架是芯片 SDK 的一部分内置 8 个已训练检测模型——人形、人脸、车辆、宠物、烟火等——加载即用没有额外的授权费或模块采购成本。多模型级联方案人脸识别三模型、ADAS 五模型SVP 框架已封装。需要定制模型时云端 NPU 微调平台即将上线把训练部署链路自动化上传少量标注图片云端完成训练、量化、编译下载 .bin 文件部署。把“需要算法工程师”变成“上传数据即可”——这是降低 AI 训练成本的核心答案。四、为什么 AI ISP 会成为下一代 IPC 的核心能力传统 ISP 的模块排列顺序是Demosaic色彩插值→白平衡→降噪。降噪排在最后面对的是已被前几步“加工”过的噪声——一个噪点像素原本只是某个通道多了几个电子经过 Demosaic 扩散到三个通道再经过白平衡增益放大到了降噪这一步噪声已经不是原始形态了。AI_NR 把这个顺序倒了过来。Bayer Raw 是 Sensor 输出的最原始数据——每个像素只有 R/G/B 中的一个分量噪声保持着规整的泊松高斯混合分布。AI_NR 在这个阶段用 NPU 跑深度降噪处理完的干净数据再进入硬件 ISP 完成 Demosaic 和白平衡。后续每一步面对的都是清理过的信号。底层架构是“大模型蒸馏小模型微调”在云端用海量 Sensor 噪声数据训练一个通用降噪大模型Teacher充分学习各类噪声模式的统计分布然后将知识蒸馏到轻量端侧模型Student中在 NPU 上实时推理。这种策略让轻量模型继承了通用大模型的降噪能力同时保持了端侧可运行的计算量级。不只能做黑光。2F-WDR 双帧合成处理隧道口和逆光场景3DNR 利用时域信息做视频降噪LDC 校正广角镜头的桶形畸变——这些模块和 AI_NR 共享同一个 NPU 引擎在不同场景下按需调度。理解 AI ISP 最好的方式不是把它看作“夜间增强”而是整条 ISP 管线的画质操作系统。五、从卖硬件到提供 AI 开发平台云端 NPU 微调平台即将上线届时新 Sensor 的 AI_NR 适配和定制检测模型的开发将简化为上传数据、等待训练、下载部署。ShiMetaPi-APT 软件源也在开发中场景套件将以 deb 包形式分发GPG 签名版本回滚apt install 一键完成部署。安防 IPC 的差异化不在传感器和镜头上——那部分供应链决定了大家拿到的都一样。差异在 ISP 上在 AI 上。Pico-G1 用 AI ISP 解决了前者用内置模型和云端微调解决了后者。了解更多产品详情及 SDK 文档请关注 ShiMetaPi 官方渠道。参考资料[1] ShiMeta-Pico-G1 芯片与硬件平台介绍文档01 芯片与硬件平台介绍.docxShiMeta 官方产品文档[2] AI 降噪AI_NR技术文档04 AI 降噪 (AI_NR).docxShiMeta 官方技术文档
